基于混合生物热传导模型的Pennes方程的改进

在血管树模拟研究的基础上,运用混合生物热传导模型并采用考虑血管和组织间局部传热的血液灌注率,改进了传统的Pennes生物传热方程.运用COMSOL Multiphysics对其进行仿真,并对改进前后Pennes方程求解结果进行比较,结果表明,改进后的Pennes方程能够显示出血管树对组织区域温度分布的局部影响,而传统Pennes方程则只表述了组织中温度分布的均匀形式.

基于模拟血管树以及改进Pennes方程的生物传热模型

以血管树形态模型以及单根血管的轴向温度变化规律为基础,对传统Pennes方程进行了改进,建立了一种新型的生物传热模型,并将其模拟结果与传统Pennes方程的模拟结果进行了比较。首先采用分形L系统的方法构建了血管树模型,然后解析求解了单根血管传热问题,得到了血管轴向温度的变化规律,最后对传统Pennes方程的血液灌注项进行了改进,使其表示血管与组织间的局部换热量。以含有简单形态血管树的二维生物组织区域为例,分别采用改进Pennes方程和传统Pennes方程对其进行了传热求解,计算结果表明改进Pennes方程可以描述血管树对于组织温度分布的局部影响,而传统Pennes方程反映的是组织区域内均匀形式的温度分布。

基于决策树和神经网络的高血压病危险因素研究

目的基于决策树和神经网络对高血压病危险因素进行研究。方法课题组成员从国家人口健康科学数据中心收集高血压患者临床病例资料,对所收集的数据进行预处理,采用卡方自动交互检测法(Chi-squared automatic interaction detector,CHAID)分类回归树(Classification and Regression Tree,C&RT)、二叉树(Quick,Unbiased,Efficient Statistical Tree,QUEST)决策树算法和神经网络模型进行分析。结果3种决策树算法对高血压病的诊断准确率分别为82.10%、83.00%、83.00%;径向基函数(Radial basis function,RBF)神经网络和多层感知器(Multilayer Perceptron,MLP)的训练准确率和测试准确率分别为77.60%、78.70%和84.70%、84.30%,MLP神经网络的诊断模型优于RBF神经网络。结论家族病史、高血脂病史、糖尿病病史、心脑血管病病史是高血压病的重要危险因素,且许多高血压病患者有中医舌暗的症状,存在着血管内皮的损伤,易引起心、脑、肾等靶器官的合并症。通过归纳总结其规律,可以为高血压病的预防与治疗提供依据。

血管性认知功能障碍高危因素的决策树模型研究

目的收集脑血管病患者人口学、生活模式和临床疾病因素，分析导致血管性认知功能障碍（VCI）的高危因素，建立VCI高危因素的决策树模型。方法选取2014年lO月至2016年10月于老年医学科和神经内科住院治疗脑血管病患者505例，进行人口学、生活模式和临床疾病因素问卷调查和数据采集，分为训练集组（421例）与测试集组（84例），其中训练集组患者分为非VCI患者组（225例）和VCI患者组（196例）。采用决策树算法分析脑血管病患者发生VCI的影响因素，并与Logistic回归分析和卡方检验比较，建立VCI高危因素的决策树模型。结果训练集组构建的决策树模型交叉验证模型识别准确度为73．63％，对测试集的预测准确度为73．81％。饮酒、业余爱好、饮茶、受教育程度、高血压、睡眠、年龄、饮食、糖尿病、体育锻炼是决策树模型的分类节点变量，饮酒作为根节点变量。卡方检验分析根据分类节点分类的患者，其VCI发病率差异有统计学意义（P〈0．05）。多因素Logistic回归分析显示，文化水平、饮酒、体育锻炼、糖尿病4个因素为VCI发生的影响因素，该模型预测准确度为66．98％，对测试集的预测准确度为53．57％。决策树模型与Logistic回归模型的ROC曲线显示，决策树模型AUC为0．737（95％CI：0．688—0．786），Logistic回归模型AUC为0．664（95％CI：0．612～0．717）。结论在对脑血管病患者发生VCI预测准确度方面，决策树模型优于Logistic回归模型。过量饮酒、糖尿病、高血压、高脂饮食、失眠是VCI发生的危险因素；业余爱好、高受教育程度、体育锻炼、饮茶是VCI的保护因素。